Lucinda Archer, Samuel D Relton, Ashley Akbari, Kate Best, Milica Bucknall, Simon Conroy, Miriam Hattle, Joe Hollinghurst, Sara Humphrey, Ronan A Lyons, Suzanne Richards, Kate Walters, Robert West, Danielle van der Windt, Richard D Riley, Andrew Clegg, The eFI+ investigators, Development and external validation of the eFalls tool: a multivariable prediction model for the risk of ED attendance or hospitalisation with a fall or fracture in older adults, Age and Ageing, Volume 53, Issue 3, March 2024, afae057, https://doi.org/10.1093/ageing/afae057

eFalls es un modelo predictivo multivariable diseñado para estimar el riesgo de que personas mayores (≥ 65 años) acudan a un servicio de urgencias o sean hospitalizadas debido a una caída o fractura en el plazo de un año. El objetivo del estudio era crear y validar un modelo basado en datos de registros clínicos rutinarios que permitiera identificar de forma proactiva a quienes tienen mayor riesgo antes de que ocurra el evento.

En validación externa, el modelo mostró una buena discriminación (c-statistic ~0,82), lo que indica que puede diferenciar bien entre quienes tendrán un evento (caída/fractura) y quienes no. La calibración varió entre diferentes centros, mostrando tendencia a sobrestimar el riesgo en algunos contextos, aunque esto mejoró tras una recalibración. Su utilidad clínica (es decir, si el modelo podría realmente ayudar en la práctica) fue mejor tras ajustar el modelo para la población de validación.

En definitiva, eFalls tiene un rendimiento prometedor para predecir el riesgo de visita a urgencias u hospitalización por caídas o fracturas en adultos mayores usando datos clínicos rutinarios. Así, podría integrarse en sistemas de historias clínicas electrónicas para identificar de forma proactiva a pacientes de alto riesgo a fin de orientar mejor las intervenciones preventivas.